Написано AZoNano 17 марта 2020 года [1945900] ]

Команда исследователей из Массачусетского технологического института (MIT), Технологического университета Наньянга, Сингапур (NTU Сингапур) и Университета Брауна разработала новые стратегии, которые значительно повышают точность метода испытания важнейших материалов, используя сила машинного обучения.

Наноиндентирование представляет собой процесс, в котором образец материала протыкают острым игольчатым наконечником, чтобы наблюдать за реакцией материала при деформации. Этот процесс имеет решающее значение в ряде производственных применений, но его неспособность точно приобрести некоторые важные механические характеристики материала сделала его менее популярным в промышленности.

Исследователи создали и «обучили» систему, используя типичный процесс наноиндентирования, а также передавая ее экспериментально количественные данные, в систему машинного обучения нейронной сети. Это было сделано для более точного прогнозирования предела текучести образцов в 20 раз по сравнению с распространенными методами.

Последний аналитический метод может потенциально снизить потребность в компьютерном моделировании, которое является и дорогим, и отнимает много времени. Это может гарантировать, что изготовленные компоненты, используемые в конструкционных применениях, таких как автомобили и самолеты, и компоненты, изготовленные с помощью цифровых методов производства, таких как 3D-печать, безопасны для использования в реальных условиях.

Объединив последние достижения в области машинного обучения с наноиндентированием, мы показали, что можно повысить точность оценки свойств материала в 20 раз. Мы также подтвердили возможность прогнозирования и повышения точности этой системы для алюминиевых сплавов и титановых сплавов с 3D-печатью.

Субра Суреш, старший корреспондент и заслуженный профессор университета, Технологический университет Наньян, Сингапур

Профессор Суреш продолжил: « Это указывает на потенциал нашего метода для применений цифрового производства в промышленности 4.0, особенно в таких областях, как 3D-печать. »

Профессор Суреш также является президентом NTU Сингапур. Результаты исследования скоро будут опубликованы в Трудах Национальной академии наук Соединенных Штатов Америки.

Преимущества материала от гибридного подхода

Этот метод, разработанный учеными из Массачусетского технологического института, Сингапурского университета и Университета Брауна, представляет собой гибридную методологию, которая объединяет передовые методы наноиндентирования с машинным обучением.

Процесс включает в себя вдавливание твердого наконечника, обычно состоящего из алмазоподобного материала, в материал образца с контролируемой скоростью с точно откалиброванной силой, в то же время непрерывно измеряя глубину проникновения наконечника в деформируемый материал.

По словам Упадрата Рамамурти, профессора NTU Singapore, проблема возникает из-за того, что процесс интерпретации экспериментально количественных данных довольно сложен и в настоящее время препятствует широкому применению метода наноиндентирования при разработке автомобилей и самолетов. , Профессор Рамамурти также возглавляет президентскую кафедру по машиностроению и аэрокосмической технике и материаловедению и инженерии в NTU Сингапур.

Чтобы повысить точность в таких условиях, исследовательская группа из NTU Singapore, MIT и Brown University создала сложную нейронную сеть – своего рода вычислительную систему, слабо основанную на человеческом мозге, – и «обучила» ее, используя комбинацию компьютера данные и фактические экспериментальные данные.

Метод «многопоточности» исследователей вычисляет как реальные экспериментальные данные, так и компьютерные и синтетические «синтетические» данные (полученные как из трехмерного, так и из двумерного компьютерного моделирования) с помощью алгоритмов глубокого обучения

.

По словам Мин Дао, главного научного сотрудника в Массачусетском технологическом институте и приглашенного профессора в Сингапуре, NTU, ранее предпринимаемые усилия по использованию машинного обучения для исследования характеристик материала в основном включали использование «синтетических» компьютерных данных в невообразимых идеальных условиях – для пример, где движение индентора безупречно плавное, а форма наконечника индентора безупречна. Следовательно, измерения, оцененные машинным обучением, не были точными.

Исследователи обнаружили, что тренировка нейронной сети сначала с помощью синтетических данных, а затем интеграция сравнительно небольшого числа фактических экспериментальных точек данных значительно повышает точность результата.

Исследователи также сообщили, что обучение с использованием синтетических данных может быть выполнено заранее, путем добавления незначительного числа фактических экспериментальных результатов для целей калибровки, особенно при оценке свойств реальных материалов.

Использование реальных точек экспериментальных данных помогает компенсировать идеальный мир, который предполагается в синтетических данных. Благодаря хорошему сочетанию точек данных из идеализированного и реального мира, конечным результатом является резко уменьшенная ошибка .

Субра Суреш, старший корреспондент и заслуженный профессор университета, Технологический университет Наньян, Сингапур

Помимо профессора Субры Суреша, профессора Мин Дао и профессора Упадраста Рамамурти, в список авторов входят аспирант Пунит Кумар из НТУ Сингапур, а также профессор Джордж Эм Карниадакис и аспирант Лу Лу из Университета Брауна.

Источник: https://www.ntu.edu.sg/